三篇卫星切换的论文

目录

[一、Energy-Aware Satellite Handover based on Deep Reinforcement Learning](#一、Energy-Aware Satellite Handover based on Deep Reinforcement Learning)

1、题目翻译

2、来源

3、内容

[二、A Reliable Handover Strategy with Second Satellite Selection in LEO Satellite Networks](#二、A Reliable Handover Strategy with Second Satellite Selection in LEO Satellite Networks)

1、题目翻译

2、来源

3、内容

[三、User Grouping-Based Beam Handover Scheme with Load-Balancing for LEO Satellite Networks](#三、User Grouping-Based Beam Handover Scheme with Load-Balancing for LEO Satellite Networks)

1、题目翻译

2、来源

3、内容


一、Energy-Aware Satellite Handover based on Deep Reinforcement Learning

1、题目翻译

基于深度强化学习的能量感知卫星切换

2、来源

Energy-Aware Satellite Handover Based on Deep Reinforcement Learning | IEEE Conference Publication | IEEE Xplore

23-12

3、内容

场景:由于LEO卫星的高速移动,UE在服务期间会经历多次切换( HO ),这种情况如果广泛发生,会对UE的服务质量( QoS )产生不利影响。卫星HO策略必须有效地利用有限的可用卫星资源,并在尊重每个UE的各种任务类型(TP Traffic Profiles)的同时防止网络拥塞 。包括视频、监控之类的,每种类型需要的资源不同。本文的主要目标是确定在HO事件期间,每个用户应该连接到哪颗卫星,从而减少后续不必要的切换,同时有效地利用可用的卫星信道和能量资源。效果:解决了LEO卫星能量资源受限和UE性能需求多样化的问题。方法:深度强化学习。方案:状态<用户与卫星之间的覆盖指标,加载信道数,可用能量,剩余可视时间RVT>,5种不同的奖励函数:(1)有HO连接到资源不足/足的卫星,(2)没有HO,不阻塞;信道或资源不足;与资源充足的卫星保持连接。几个点:(1)对用户不同的任务分类,不同类型任务需要的资源不同。(2)HO考虑的参数。

单一的HO准则:

  1. 自由信道数。均匀负载,但是大量HO,不稳定,频繁中断
  2. 最大剩余可视时间。能最大限度的降低HO频率,但是每个用户高阻塞率
  3. 于天线增益的HO方法,利用卫星运动的可预测性和卫星波束的天线增益,以防止服务失败和不良HO发生
  4. 博弈
  5. 接收信号强度( Received Signal Strength,RSS )。大量的UE可能连接到具有最佳RSS的卫星,从而导致访问拥塞和卫星之间的过度负载不平衡

不单一:

  1. 考虑服务时间、通信信道资源和中继开销的RL技术。目的是优化UE的体验质量( QoE )

考虑载波噪声和干扰噪声比来最小化卫星HO的频率,同时降低HO的失效概率。RL

二、A Reliable Handover Strategy with Second Satellite Selection in LEO Satellite Networks

1、题目翻译

Leo卫星网络中基于二次选星的可靠切换策略

2、来源

A Reliable Handover Strategy with Second Satellite Selection in LEO Satellite Networks | IEEE Conference Publication | IEEE Xplore

2023 IEEE Globecom Workshops (GC Wkshps)

23-12

3、内容

场景:如果没有合适的卫星切换策略,用户的服务质量(QoS)和可靠性将降低。之前的工作仅考虑了切换请求时的链路质量,并不能完全反映所选卫星实际服务时间内的整体链路质量。而且要考虑卫星之间的相互关联。一个点:为了避免中断会及早的与下个卫星交接,但是会因为资源不足而无法交接。目标是设计一个能够反映所选卫星服务时间内 整体链路质量的切换准则,真实地考虑卫星选择在时间维度上的相互依赖关系,以降低切换失败率,提高用户的QoS和可靠性。方案:(1)在接收到切换请求的短时间内通过比较准则来选择卫星,可能并不能完全反映实际服务时间内的整体链路质量。为了解决这个问题,我们引入了一个综合服务时间和链路质量的比特位势其中i为sl的可用信道,K为分配给ue的最大信道数,ti H为信道i的预测切换时间,比特位势考虑的是卫星服务时间内 的整体链路质量,而不仅仅是t时刻的链路质量。(2)第二种卫星选择( SSS )算法,第二颗卫星会预留信道和资源。它真实地考虑了时间维度 。它根据从双线阵元集合( two-line element set,TLE )中获得的可见卫星信息,预测服务时间、链路质量和切换时间,以选择考虑第二颗候选卫星的最优卫星组合。

三、User Grouping-Based Beam Handover Scheme with Load-Balancing for LEO Satellite Networks

1、题目翻译

基于用户分组的Leo卫星网络负载均衡波束切换方案

2、来源

User Grouping-Based Beam Handover Scheme with Load-Balancing for LEO Satellite Networks | IEEE Conference Publication | IEEE Xplore

GLOBECOM 2023 - 2023 IEEE Global Communications Conference

2023-12

3、内容

场景:考虑每个LEO有多个波束的切换。而且用户分布比较密集,需要频繁的做出切换决策。目的:降低切换频率,提高卫星切换决策效率。方案:根据切换时刻、用户位置和他们所属的波束,将相似用户进行分组,进行整体切换。切换分为星内波束切换和星间波束切换,中心的用户倾向于星内波束切换,在边缘的用户倾向于星间波束切换,中心还是边缘的判断依据是接收信号强度。(1)星内波束切换:基于加权熵方法的单目标函数来决策切换波束。(2)星间波束切换:马尔科夫+DRL+近端策略优化( PPO )算法。

相关推荐
hyshhhh11 小时前
【算法岗面试题】深度学习中如何防止过拟合?
网络·人工智能·深度学习·神经网络·算法·计算机视觉
Listennnn12 小时前
优雅的理解神经网络中的“分段线性单元”,解剖前向和反向传播
人工智能·深度学习·神经网络
牙牙要健康14 小时前
【目标检测】【深度学习】【Pytorch版本】YOLOV3模型算法详解
pytorch·深度学习·目标检测
Scc_hy15 小时前
强化学习_Paper_1988_Learning to predict by the methods of temporal differences
人工智能·深度学习·算法
誉鏐15 小时前
从零开始设计Transformer模型(1/2)——剥离RNN,保留Attention
人工智能·深度学习·transformer
神经星星15 小时前
无需预对齐即可消除批次效应,东京大学团队开发深度学习框架STAIG,揭示肿瘤微环境中的详细基因信息
人工智能·深度学习·机器学习
程序员Linc16 小时前
写给新人的深度学习扫盲贴:向量与矩阵
人工智能·深度学习·矩阵·向量
补三补四16 小时前
机器学习-聚类分析算法
人工智能·深度学习·算法·机器学习
荷包蛋蛋怪17 小时前
【北京化工大学】 神经网络与深度学习 实验6 MATAR图像分类
人工智能·深度学习·神经网络·opencv·机器学习·计算机视觉·分类
贤小二AI17 小时前
贤小二c#版Yolov5 yolov8 yolov10 yolov11自动标注工具 + 免python环境 GPU一键训练包
人工智能·深度学习·yolo